是否可以使用 java 正则表达式搜索 PDF 或 Word 文档中的文本？ [关闭]答案

【问题标题】：Is it possible to regex search text in a PDF or Word document using java? [closed]是否可以使用 java 正则表达式搜索 PDF 或 Word 文档中的文本？ [关闭]
【发布时间】：2014-02-04 01:33:07
【问题描述】：

我不是在询问任何产品推荐

我想使用 Java 的正则表达式从 word 文档或 pdf 文档中搜索文本。可能吗？如何做到这一点？

例如，PDF/DOC 如下所示：

(54) 关于键盘更多信息日期：29/02/2003 印刷：美国提交日期：2005 年 3 月 19 日浏览次数：5 次

现在我的目标是使用 java 对此文档运行基于正则表达式的搜索。

最初，我尝试提取文本，但由于这些是非结构化且分散的，我无法使用提取的文本。

例如，我想这样做：

File fl = new File ("sample.pdf");
String res=  FindBYRegex ("(?s)\\(54\\)\\s*(.*?)\\s*(?=\\(\\d|$\\))");
System.out.println (res);

我想要的输出是：(54) About Keyboard

如何实现我的目标？哪个库可以帮助我使用 Java 做到这一点？

【问题讨论】：

关于 PDF：您只能将文本搜索（通过正则表达式或其他方式）应用于您可以以某种方式从 PDF 中提取的 text；因此，您的一半任务是 text extraction 您说您无法使用的文本。

标签： java regex pdf itext pdfbox

【解决方案1】：

您不能直接使用 Java 进行搜索。您可以使用Tika 提取文件的内容，然后您可以应用正则表达式。

【讨论】：

【解决方案2】：

我想使用 Java 中的正则表达式从 word 文档或 pdf 文档中搜索文本。可能吗？如何做到这一点？

Gnostice PDFOne for Java 支持使用 Java 正则表达式在 PDF 文档中搜索文本。更多详情，请点击以下链接。

http://www.gnostice.com/nl_article.asp?id=232&t=PDF_Text_Search_And_PDF_Text_Extraction_Using_PDFOne_for_Java

免责声明：我为 Gnostice 工作。

【讨论】：